一种电梯异常能耗的识别与报警方法

技术领域

本发明涉及电梯检测技术领域，尤其涉及一种电梯异常能耗的识别与报警方法。

背景技术

由于电梯运行系统的复杂性，实际用能具有段波动性和未知性的特点。由于该问题的存在，能耗报警的实现变得极为困难。针对这一问题，目前采用解决能耗异常识别与报警的策略主要通过基于统计学方法和基于数据挖掘方法：

(1)基于统计学方法

基于统计学的基本原理是，将预处理后的样本通过数学分布方法近似拟合，然后利用统计推理判断目标数据是否偏离分布区间，根据分布区域的不一致性识别异常。

(2)基于数据挖掘的方法

数据挖掘的方法中有聚类分析、分类识别和最邻近分析。聚类分析方法的实质是通过无监督分析法对样本进行近似分隔，区分成若干分类项，而异常数据的识别则通过异于已知分类项的方法，其原理是通过数据到最近聚类中心点的距离值来判定是否超出聚类范围。常见的方法有模糊C均值聚类。

上述方法在本质上是对数据波动特性的分析，能耗报警的研究多基于对能耗异常的判断和识别，在实践当中可知，电梯能耗报警主要依靠人工经验设定能耗阈值，后续能耗异常的判断主要根据能耗波动是否处于该阈值内。该方法虽然计算过程简单，可对能耗异常的数据进行快速判定，但是，该方法存在的不足在于人工主观偏差大，对阈值的估计难以确定，不当的取值会对决策造成非常坏的影响。阈值小，误报率增加；阈值大，漏报率提高，一方面增加了假报警的几率，另一方面不能即时发现设备的故障。不准确的阈值会无法感知能耗变化情况。因此，亟需提供一款能够有效识别电梯异常能耗的识别与报警方法。

发明内容

为了解决上述技术问题，本发明提出一种电梯异常能耗的识别与报警方法，能够有效识别0数据、用能异常数据和突变数据，并对对应异常数据设置相应报警决策，使得误报率和漏报率相较于传统报警策略更低。

为了达到上述目的，本发明的技术方案如下：

一种电梯异常能耗的识别与报警方法，包括如下步骤：

步骤S1，获取训练数据集，所述训练数据集包括电梯历史能耗数据；

步骤S2，将训练数据集输入LSTM神经网络进行训练和测试，直至满足预设要求，输出训练好的预测模型和预测误差；

步骤S3，将当前实际采集数据输入训练好的预测模型进行预测，获取预测曲线以及预测数据集；

步骤S4，判断下一时刻实际采集的电梯能耗数据是否为0数据或null数据，若是，则确定下一时刻实际采集的电梯能耗数据为0数据异常数据并记录；若否，则转入步骤S5；

步骤S5，判断下一时刻实际采集的电梯能耗数据与预测数据集中对应预测数据的差值的绝对值是否大于预测误差，若是，则转入步骤S6；若否，则转入步骤S7；

步骤S6，采用k-means聚类和CART算法确定下一时刻实际采集的电梯能耗数据所处的能耗模式，并判断下一时刻实际采集的电梯能耗数据是否当前能耗模式下的用能异常数据，若是，则确定下一时刻实际采集的电梯能耗数据为用能异常数据并记录，若否，则转入步骤S7；

步骤S7，判定对下一时刻实际采集的电梯能耗数据是否满足预设的突变规则，若是，则确定下一时刻实际采集的电梯能耗数据为突变数据并记录，若否，则确定下一时刻实际采集的电梯能耗数据为正常数据。

优选地，获取电梯历史能耗数据并进行预处理，通过滑动窗口法分割处理后的电梯历史能耗数据形成训练数据集。

优选地，所述预测误差为训练数据集的MAE数值的二分之一。

优选地，采用k-means聚类和CART算法确定下一时刻实际采集的电梯能耗数据所处的能耗模式，具体包括如下步骤：

基于k-means聚类对历史电梯能耗数据集进行聚类分析，识别不同的能耗模式；

基于CART算法构建分类模型，通过分类模型对采集的电梯能耗数据进行能耗模式判定。

优选地，判断下一时刻实际采集的电梯能耗数据是否当前能耗模式下的用能异常数据，具体包括如下步骤：

获取聚类分析过程中，下一时刻实际采集的电梯能耗数据所处的能耗模式的聚类中心和数据点分布；

将下一时刻实际采集的电梯能耗数据所处的能耗模式聚类下最远的数据点与聚类中心点做差，所计算的差值的绝对值作为对应的能耗模式下最大聚类范围，判定下一时刻实际采集的电梯能耗数据Di与聚类中心点Cm做差的绝对值是否超过所述最大聚类范围Rm。

优选地，所述预设的突变规则，包括：

设定规则1：P

T

则视为T

设定规则2：P

T

或对于预测曲线单调递减情况，同理如下：

T

则视T

设定规则3：P

T

继续判断下一时刻，直至找到一时刻k，使得实际值恢复预测趋势，并且两者差值处于预测误差范围内，在时刻(i-1,k)，认为该时间段内实际值发生了增长性突变，其中T

设定规则4：P

T

继续判断下一时刻，直至找到一时刻k，使得实际值恢复预测趋势，并且两者差值处于预测误差范围内，在时刻(i-1,k)，认为该时间段内实际值发生了减少性突变，其中T

优选地，还包括如下步骤：

统计连续检测0数据异常数据的次数，当连续检测异常数据的次数超过M

统计连续检测用能异常数据的次数，当连续检测用能异常数据的次数超过M

统计符合设定规则2、3或4中连续检测突变数据的次数，当连续检测突变数据的次数超过M

优选地，所述M

优选地，还包括如下步骤：将0数据报警信号、用能异常数据报警信号或突变数据报警信号发送至相关电梯维护人员。

基于上述技术方案，本发明的有益效果是：本发明通过设定预测误差值对电梯能耗异常数据进行初步筛选，在此基础上对疑似异常能耗数据进行深入分析。将异常数据分为0数据、用能异常数据和突变数据三种类型，采用基于k-means聚类和决策树的数据挖掘方法深度感知用能异常数据，采用典型场景分析的方式检测突变数据，并结合人工规则提出了预警策略中的决策流程，对异常数据进行报警决策。最后将上述工作运用在实际场景并分析其结果，取得了更加精准的报警结果，误报率和漏报率相较于传统报警策略变得更低。能耗报警策略可嵌入到电梯控制系统中，帮助维保人员对电梯进行准确的能耗异常判断，减少异常误报的概率，提升电梯的安全性、增加电梯运行的生命周期。从数据获取到数据分析，先“监测”后“分析”，由“能耗管理”到“异常判断”，集合了管理和技术，为电梯能耗监管的深入应用提供了具有借鉴意义的方案和理论研究，促进电梯管理体系的建立和健全。

附图说明

图1是一个实施例中一种电梯异常能耗的识别方法流程图；

图2是一个实施例中用能异常数据判定方法流程图；

图3是一个实施例中单点突变曲线，其中，(a)为高于预测值的情景，(b)为低于预测值的情景；

图4是一个实施例中多点交叉突变曲线；

图5是一个实施例中增长性突变曲线；

图6是一个实施例中减少性突变曲线；

图7是一个实施例中基于人工决策的报警决策方法流程图；

图8是一个实施例中EEFG-LSTM-Attention神经网络预测模型的结构示意图；

图9是一个实施例中误差跟踪流程图；

图10是一个实施例中EEFG-LSTM单元结构的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

如图1所示，本实施例提供一种电梯异常能耗的识别与报警方法，包括如下步骤：

步骤S1，获取训练数据集，所述训练数据集包括电梯历史能耗数据。

本实施例中，采集电梯历史能耗数据，包括正常数据和异常数据，其中，异常数据主要分为三类：0数据、突变数据和用能异常数据。

对电梯历史能耗数据进行预处理，通过滑动窗口法分割处理后的电梯历史能耗数据形成训练数据集。

步骤S2，将训练数据集输入LSTM神经网络进行训练和测试，直至满足预设要求，输出训练好的预测模型和预测误差。

本实施例中，具体采用EEFG-LSTM-Attention神经网络进行训练和测试，随差遗忘长短期记忆单元(EEFG-LSTM)和注意力机制(Attention-mechanism)，将训练好的预测模型和预测误差进行保存，其中，预测误差为训练数据集的MAE数值的二分之一。

具体地，构建的基于EEFG-LSTM-Attention神经网络的预测模型，其构成分别是：数据输入层，三层EEFG-LSTM单元层，一层Dropout层，一层Attention层，两层全连接层和一层输出层。预测模型具体结构示意图如图8所示。该预测模型解释如下：

(1)输入层

输入层是一个三维数组，其构成形式：(samples，timestamp，features)，分别代表样本数量，时间步，输入维度。lookback参数在此可以理解为时间步，以(x

(2)隐藏层

隐藏层中的前三层EEFG-LSTM单元层对输入的能耗数据进行自动学习，提取出能耗变化的特征以及相关规律信息，通过巨大的参数量来拟合预测曲线。本文中第一层EEFG-LSTM单元层由64个单元构成；第二层由128个EEFG-LSTMD单元构成；第三层由256个EEFG-LSTM单元构成。经过三层的学习，并将信息传递给下一层，每个EEFG-LSTM单元均包括输入门、遗忘门和输出门，将历史时刻的预测值与该时刻实际值的误差引入到下一个隐含层单元的遗忘门中，通过误差大小更新遗忘门的信息大小，从而进一步确定对历史信息的遗忘，相应地提高当前输入门的信息大小，针对电梯能耗数据激增的峰值现象可以有效地提高预测精度，即通过传递误差的方式来动态调节历史信息，以提高当前预测值的精度。

具体的，引入了随差遗忘长短期记忆单元LSTM(EEFG-LSTM)。在LSTM单元中，减小历史时刻信息对当前预测的作用等同于减小t-1时刻的LSTM单元状态c(t-1)，而这一步可以通过改变遗忘门的输入量而实现。因此，遗忘门要根据t-1时刻预测值与实际值偏差情况调整输入量，进行随差遗忘。为了该目的，EEFG-LSTM的做法是把t-1时刻预测值与实际值两者的绝对误差与上一时刻记忆c(t-1)作为遗忘门更新的输入量。这样的更改方式计及t-1时刻预测值与实际值的偏差对t时刻遗忘门的调整作用，如图9所示。

在EEFG-LSTM单元结构中，如图10所示，调整了遗忘门的激活函数，将标准LSTM中的sigmoid函数更换为ReLU函数，其考虑的原因是sigmoid与tanh激活函数的导数值小于1，容易出现梯度消失现象。

式中，K＝|h'

f

i

C

C

O

h

RELU激活函数的公式：

ReLU(x)＝max(0,x)

上式中，f

i

C`

C

O

h

h

隐藏层第四层是Dropout层，其主要作用是对上一层LSTM层的输出与下一层的输入之间的连接进行随机省略，防止在训练过程中出现过拟合现象。本文中该层的参数取值为0.1。Dropout是现在机器学习中较为常用的防止过拟合方法。

隐藏层第五层是Attention层。多步输入对输出的影响程度不一，对预测结果产生影响。使用Attention机制来为不同时间步的输入分配权重来改善能耗预测效果。主要原理在于保存时间序列输入经LSTM网络产生的中间结果，将该结果与输出值联系起来，从而使模型学习如何选择性地关注数据，并为这些数据分配更合理的权重，单元数为50。

隐藏层的第六层和第七层是两层全连接层(Dense Layer)，单元数量分别为50和1。第六层的单元数量取决于训练的效果和模型收敛速度，其主要作用是对前几层所传递的信息做特征提取，在Dense层经过非线性变化可以提取到能耗数据之间的关联度，并且最后映射在第七层上。第七层只有一个单元数，是因为该预测模型解决的问题是回归问题，以输出值作为结果，并不是分类结果，所以采用一个Dense单元来输出预测能耗值。

(3)输出层

输出层的结果来自于隐藏层第七层的输出，经过ReLU激活函数计算并输出结果。

基于EEFG-LSTM-Attention神经网络的预测模型参数汇总表

步骤S3，将当前实际采集数据输入训练好的预测模型进行预测，获取预测曲线以及预测数据集。

步骤S4，判断下一时刻实际采集的电梯能耗数据是否为0数据或null数据，若是，则确定下一时刻实际采集的电梯能耗数据为0数据异常数据并记录；若否，则转入步骤S5。

本实施例中，电梯存在停梯检修、或者通讯设备损坏的现象，从而数据的发送是0数据或者null数据，这类数据需要归于0数据异常。

步骤S5，判断下一时刻实际采集的电梯能耗数据与预测数据集中对应预测数据的差值的绝对值是否大于预测误差，若是，则转入步骤S6；若否，则转入步骤S7。

本实施例中，由于MAE代表实际值与预测值之间的绝对误差的平均值，该值的设定代表实际曲线具有一定的波动区间，若下一时刻实际采集的电梯能耗数据Di与预测数据集中对应预测数据Pi的差值的绝对值大于e/2，e为MAE数值，说明该点可能存在异常情况，需要进一步进行判定。

步骤S6，采用k-means聚类和CART算法确定下一时刻实际采集的电梯能耗数据所处的能耗模式，并判断下一时刻实际采集的电梯能耗数据是否当前能耗模式下的用能异常数据，若是，则确定下一时刻实际采集的电梯能耗数据为用能异常数据并记录，若否，则转入步骤S7。

本实施例中，考虑到电梯能耗序列是一种单变量时间序列，随着时间的增长，其数量乘线性增加。由于其数据量大，增长速度快，需找到一种可处理大型数据、且能寻找数据特征的方法。为此，采用k-means聚类和CART算法来解决该问题。

用能异常数据是电梯能耗的一种激进数据，不同于小范围的数据变化值，该数据与正常预测值会产生较大的差异。传统报警策略中阈值估计的方法在一定程度上会漏报此类现象，毕竟总能耗阈值或者加权求和的方式在总体能耗上无法体现明显的异常，如果没有人工逐一排检能耗值，该异常点很容易被忽视。如图2所示，用能异常数据判定具体包括如下步骤：

1)对历史电梯能耗数据集进行聚类分析，采用基于k-means的聚类方法将电梯能耗分为四类能耗模式(低、中、中高、高)，其分类数量来源于电梯运行模式。在电梯调度策略中，会根据人流量的特性对电梯的运行模式进行分类，一般分为上行高峰、下行高峰、层间交通和空闲模式，不同的运行模式下电梯的能耗也是不同的。

2)将采集的数据进行能耗模式判定。该做法是为了给能耗数据之间界定范围，能耗数据在不同的特征环境下是不具备比较性的，本文采用基于CART算法对能耗模式进行判定，将具有标签的历史电梯能耗数据进行分类训练，在数据中找到决定能耗模式的相关因素，构建能耗模式判定模型，生成判定规则。

3)通过在聚类分析中得到的聚类中心，并且将该聚类下最远的数据点与聚类中心点做差，所计算的差值作为该能耗模式下最大聚类范围Rm，然后判定下一时刻实际采集的电梯能耗数据Di与聚类中心点Cm做差的绝对值是否超过所述最大聚类范围Rm，若是则为用能异常数据。

k-means聚类，是一种聚类(Clustering)分析，也是一种划分类别的手段，其本质在于将目标对象划分为若干类别，并且保证在同一类别下的对象相互之间的差异尽可能最小化，而不同类别的对象的差异应尽可能最大化，而且聚类分析有一个优点，即从数据本身出发，在划分前不考虑相关的先验知识。该算法在大样本数据集下，分类速度快、准确、用法简单。k-means聚类算法的主要步骤如下：

(a)输入n个数据{i

(b)任选出k个聚类中心点,{c

(c)对每个数据，计算出其与k个中心点的距离，根据最近距离作为当前数据的聚类中心点；

(d)完成一轮聚类分析后，重新计算聚类中心点c

(e)重复上述两步，直至符合聚类终止条件E，见下式。

式中，i代表输入的数据点，c指代不同的聚类中心，将每个输入值同聚类中心相减，计算出每种组合的绝对距离的平方，并进行求和得到终止结果E。

CART算法的本质是决策树的处理模式，划分为模式分类的学科中，其实质在于将有标签数据进行自我学习，形成具有内部规则体系的分类器。一般的分类器训练流程是采用选定的分类算法对标签数据进行训练，通过最小损失值为训练终止条件。本文中的能耗数据具有标签后，可以通过训练好的分类器对新能耗数据进行分类，便于后续的能耗数据分析与检测。

CART算法详解：

假设样本集合D中含有K类数据，P

/>

式中，节点A的基尼指数计算，利用全概率减去总分错概率，从m-1类至M类的k类概率。

如果样本集合D按照节点X的取值被划分为D

其中，D，D

对样本集合中的特征，CART逐个计算每个特征的Gini系数，找出最小Gini系数作为对应特征的最佳分裂点，然后比较所有特征最佳分裂点的Gini系数，将拥有最小分裂Gini系数的特征作为最优特征，形成最终的分类规则。

表4.1CART算法步骤

步骤S7，判定对下一时刻实际采集的电梯能耗数据是否满足预设的突变规则，若是，则确定下一时刻实际采集的电梯能耗数据为突变数据并记录，若否，则确定下一时刻实际采集的电梯能耗数据为正常数据。

本实施例中，由于突变数据主要根据预测曲线的单调性和实际曲线的波动情况而定，通过典型异常场景进行分析，主要有四类：单点突变、多点交叉突变、增长性突变和减少性突变，针对不同场景类型设置对应突变规则：

1)单点突变

单点突变数据是指，实际曲线在符合预测曲线的单调趋势下变化，但过程中有突兀的能耗点在此刻超出了预测误差范围，且只有一个，之后恢复了与预测曲线相同的趋势，称为单点突变。如附图3所示。通过该情景，设定规则1：假设P

T

则视为T

2)多点交叉突变

多点交叉突变与单点突变十分相似，最大的不同点在于多点突变，并且是连续的。从附图4中可以看出，在3时刻和4时刻，都出现了突变现象。这种现象是一种更为复杂的突变现象。设定规则2：假设P

T

或对于预测曲线单调递减情况，同理。

T

则视T

3)增长性突变

增长性突变来源于实际曲线在一段时间区间内，普遍高于预测曲线，并且相差的数据高于预测误差，并在一定时间段之后恢复与预测曲线相同的趋势。这种突变情况定义为增长性突变。从附图5中，2-5时刻间，实际值与预测值之间具有明显的数据差异，并且在6时刻开始恢复预测趋势。设定规则3：如果存在

T

继续判断下一时刻，直至找到一时刻k，使得实际值恢复预测趋势，并且两者差值处于预测误差范围内。在时刻(i-1,k)，认为该时间段内实际值发生了增长性突变，其中T

4)减少性突变

与增长性突变恰恰相反，设定规则4：如果存在

T

继续判断下一时刻，直至找到一时刻k，使得实际值恢复预测趋势，并且两者差值处于预测误差范围内。在时刻(i-1,k)，认为该时间段内实际值发生了减少性突变，其中T

如图7所示，在一个实施例的一种电梯异常能耗的识别与报警方法中，还包括提供报警方法，在实际场景中，少量异常点不足以花费人力去查看，只有在超过一定次数之后，才能触发报警信号，对此，结合实际工程经验，为不同异常数据设定不同决策阈值，减少误报率。具体包括如下步骤：

0数据，一般存在停梯检修，通讯或计量设备故障的情况。假设在连续检测到0数据超过8次后，触发0数据报警信号。按照小时作为时间计算单位，小型检修的时间不会超过这个时间段，除非有大型检修或设备故障的情况出现。

用能异常数据，在短期内如果出现少次数，说明电梯运行状态依旧健康，偶然性的波动可以被忽略，这种考量在一定程度上降低误报率，同时可以减少维保人员的扰动问题。但是，短期内连续多次地出现说明电梯运行状态变得不稳定，需要即刻检修。结合工程经验，设置连续检测到用能异常数据超过2次后，触发用能数据异常报警信号。

突变数据，不同于用能异常数据的变化幅度，波动小、频率高是其特点。对异常数据判断的前提是采集数据不超过对应预测数据的预测范围，也就是预测误差，在这种条件下，突变数据的出现次数会比较多。单点突变数据不需要触发报警信号，对于多点交叉、连续的增长和减少突变数据需要进行设定阈值来进行报警防范，结合工程经验，设定出现连续突变数据超过2次触发突变数据报警信号。

以上所述仅为本发明所公开的一种电梯异常能耗的识别与报警方法的优选实施方式，并非用于限定本说明书实施例的保护范围。凡在本说明书实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的保护范围之内。